Casos de Uso Reais para Saídas Previstas
Nesta página
Três Famílias de Casos de Uso
O fio condutor destas três famílias é simples: as Saídas Previstas compensam quando a maior parte da saída é conhecida antecipadamente. A natureza da tarefa — código, texto ou modelo — importa menos do que a proporção do resultado que consegue fornecer como previsão. Com 90% de conteúdo inalterado, o ganho é dramático; com 30%, torna-se negligenciável, independentemente do caso de uso.
Mantenha esta proporção em mente ao explorar as três famílias abaixo. Elas representam cenários onde essa proporção é naturalmente elevada. Nesta lição, verá exemplos concretos para cada categoria, juntamente com padrões que pode replicar nas suas próprias aplicações.
Caso de Uso 1: Edição de Código
Esta é a aplicação mais natural, pois o código maximiza mecanicamente a proporção: renomear uma variável num ficheiro de 500 linhas deixa 498 linhas estritamente idênticas. Começa com um ficheiro de código existente e pretende efetuar uma alteração direcionada. O modelo apenas precisa de regenerar as linhas modificadas.
Renomear uma Variável
existing_code = """
def calculate_total(items):
tax_rate = 0.20
subtotal = sum(item.price for item in items)
tax = subtotal * tax_rate
total = subtotal + tax
return total
"""
prompt = (
"Rename the variable 'tax_rate' to 'vat_rate' throughout this code. "
"Reply with only the modified code."
)
response = client.chat.complete(
model="codestral-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": existing_code}
],
prediction={"type": "content", "content": existing_code}
)
O modelo sabe que a estrutura do código permanece idêntica. Apenas recalcula os tokens afetados pela renomeação.
Alterar uma Importação ou Dependência
existing_code = """
from flask import Flask, request, jsonify
from flask_cors import CORS
app = Flask(__name__)
CORS(app)
@app.route('/api/predict', methods=['POST'])
def predict():
data = request.get_json()
result = model.predict(data['input'])
return jsonify({'prediction': result})
"""
prompt = (
"Migrate this code from Flask to FastAPI. "
"Keep the same business logic. "
"Reply with only the code."
)
response = client.chat.complete(
model="codestral-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": existing_code}
],
prediction={"type": "content", "content": existing_code}
)
Caso de Uso 2: Edição de Texto
O texto segue a mesma lógica que o código, com uma nuance importante: as alterações de texto são frequentemente menos localizadas do que possa pensar. Alterar um número num relatório pode desencadear a reescrita da frase que o comenta, do parágrafo de resumo e da conclusão. O ganho é real, mas meça-o nos seus documentos reais em vez de assumir que equivale ao ganho observado com o código.
Atualizar uma Secção num Relatório
report = """
# Q4 2025 Quarterly Report
## Executive Summary
Revenue reached €2.3M in Q4 2025, up 15%
from Q3. Operating margin stands at 22%.
## Sales Performance
The sales team signed 47 new contracts, including 12 key accounts.
Average deal size grew 8% to €49,000.
## Q1 2026 Outlook
We anticipate 10% growth driven by the launch of the
Enterprise product and expansion into the German market.
"""
prompt = (
"Update this report for Q1 2026 with the following data: "
"Revenue = €2.7M (+17%), margin = 24%, 53 new contracts, "
"average deal size = €51,000 (+4%). "
"For the Q2 outlook, mention expansion into the Benelux region. "
"Keep the exact same structure."
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": report}
],
prediction={"type": "content", "content": report}
)
Caso de Uso 3: Preenchimento de Modelos
Quando dispõe de um modelo fixo onde apenas alguns valores mudam, a previsão é quase perfeita:
email_template = """
Hello {name},
Following up on our conversation on {date}, I confirm the following points:
1. The {project} project will start on {start_date}
2. The team will consist of {num_people} people
3. The estimated budget is €{budget} (excl. tax)
I remain at your disposal for any questions.
Best regards,
{signatory}
"""
# Partially fill the template for prediction
prediction = email_template.replace("{name}", "Mr. Dupont")
prediction = prediction.replace("{signatory}", "Marie Martin")
prompt = (
"Complete this email with the following information: "
"date = March 28, 2026, project = Cloud Migration, "
"start_date = April 15, 2026, num_people = 5, "
"budget = 85,000."
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": prediction}
],
prediction={"type": "content", "content": prediction}
)
Medição de Ganhos no Mundo Real
Para avaliar a eficácia das Saídas Previstas para o seu caso de uso, compare sistematicamente execuções com e sem previsão:
import time
# Without prediction
start = time.time()
resp_normal = client.chat.complete(
model="mistral-large-latest",
messages=messages
)
time_normal = time.time() - start
# With prediction
start = time.time()
resp_predicted = client.chat.complete(
model="mistral-large-latest",
messages=messages,
prediction={"type": "content", "content": predicted_content}
)
time_predicted = time.time() - start
gain = (1 - time_predicted / time_normal) * 100
print(f"Without prediction: {time_normal:.2f}s")
print(f"With prediction: {time_predicted:.2f}s")
print(f"Latency gain : {gain:.1f}%")
O ganho varia consoante a percentagem de conteúdo corretamente previsto. Para uma alteração de 5% num ficheiro de 500 linhas, espere uma redução da latência entre 60% e 80%.
Pontos-chave
- A edição de código (renomeação, migração, refatoração ligeira) é o caso de uso principal
- A edição de texto (relatórios, documentos) beneficia de uma estrutura estável
- Modelos com poucos valores dinâmicos oferecem a melhor relação ganho/esforço
- Meça sempre o ganho no mundo real no seu contexto antes de implementar em produção